طراحی و توسعه چارچوب تفسیر پذیر مبتنی بر مدل های ترنسفورمر به منظور تحلیل و طبقه بندی گروه های مرتبط با بیماری آلزایمر

طراحی و توسعه چارچوب تفسیر پذیر مبتنی بر مدل های ترنسفورمر به منظور تحلیل و طبقه بندی گروه های مرتبط با بیماری آلزایمر

شایان قاسم بیکی1 رضا یزدی2

1) دانشجوی کارشناسی ارشد ، دانشکده فنی مهندسی گرگان،گروه مهندسی کامپیوتر
2) استادیار دانشکده فنی و مهندسی گرگان ، گروه مهندسی کامپیوتر، دانشگاه گلستان

کد IOI مقاله : AAHD-ACZCKC
محل انتشار : کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
    بیماری آلزایمر یکی از شایع‌ترین اختلالات نورودژنراتیو و مهم‌ترین عامل زوال عقل در سالمندان است که تشخیص به‌موقع آن، به‌ویژه در مراحل اولیه، نقش مهمی در برنامه‌ریزی درمانی، مراقبتی و مدیریت روند بیماری دارد. با توجه به ماهیت پیچیده و چندناحیه‌ای تغییرات ساختاری مغز در این بیماری، تصویربرداری تشدید مغناطیسی (MRI) به‌عنوان یکی از منابع مهم برای استخراج الگوهای مرتبط با نورودژنراسیون مورد توجه قرار گرفته است. اگرچه روش‌های یادگیری عمیق، به‌ویژه شبکه‌های عصبی کانولوشنی، توانایی قابل‌توجهی در تحلیل خودکار تصاویرمغزی نشان داده‌اند، محدودیت در مدل‌سازی وابستگی‌های بلندبرد میان نواحی مختلف مغز و همچنین ماهیت جعبه‌سیاه بسیاری از مدل‌ها، استفاده بالینی از این روش‌ها را با چالش مواجه کرده است. پژوهش حاضر با هدف توسعه و ارزیابی یک چارچوب از هوش مصنوعی توضیح‌پذیر مبتنی بر (VIT)Vision Transformer برای تحلیل تصاویر مغز و شناسایی الگوهای مرتبط با بیماری آلزایمر انجام می‌شود. در چارچوب پیشنهادی، تصویر موجود به مجموعه‌ای از دسته های تصویری تبدیل شده و با بهره‌گیری از سازوکار خود توجهی ، بررسی وابستگی‌ها و روابط فضایی میان بخش‌های مختلف تصویر به‌صورت سراسری مدل‌سازی می‌شوند. برخلاف رویکردهایی که تفسیرپذیری را صرفاً به نمایش نقشه توجه Attention Map) ) محدود می‌کنند، در این پژوهش تفسیر تصمیم مدل به‌عنوان یک مؤلفه مستقل از ارزیابی عملکرد در نظر گرفته شده و با استفاده از روش های توصیفی ، نواحی و الگوهای تصویری مؤثر بر پیش‌بینی شناسایی و تحلیل خواهند شد. بدین‌ترتیب، علاوه بر تعیین برچسب تشخیصی، امکان بررسی شواهد تصویری پشت تصمیم مدل و مقایسه آن با الگوهای نورواناتومیک شناخته‌شده مرتبط با نورودژنراسیون فراهم می‌شود. در کنار فرایند طبقه‌بندی، یک سازوکار تفسیرپذیری برای شناسایی و نمایش نواحی تصویری مؤثر در تصمیم مدل به کار گرفته می‌شود تا علاوه بر پیش‌بینی نهایی، شواهد تصویری مرتبط با آن نیز قابل بررسی باشد. عملکرد مدل پیشنهادی با استفاده از معیارهای متداول شامل Accuracy، Recall، score -F1 ، Specificity و Area Under the ROC Curve (AUC) ارزیابی شده و رفتار مدل در نمونه‌های صحیح و دارای خطا نیز مورد تحلیل قرار می‌گیرد. نوآوری اصلی پژوهش در نگاه هم‌زمان به دقت تشخیصی، مدل‌سازی وابستگی‌های فضایی و ارزیابی تفسیرپذیری تصمیمات است؛ به‌گونه‌ای که هوش مصنوعی توصیفی نه تنها به‌عنوان یک ابزار جانبی برای تولید تصاویر توضیحی، بلکه به‌عنوان بخشی از فرایند ارزیابی اعتبار مدل در نظر گرفته می‌شود. انتظار می‌رود چارچوب پیشنهادی بتواند ضمن بهره‌گیری از ظرفیت مدل های ترنسفورمری برای یادگیری الگوهای پیچیده و چندناحیه‌ای ، شواهد تصویری قابل بررسی از فرایند تصمیم‌گیری خود ارائه کند و از این طریق، گامی در جهت توسعه سامانه‌های هوش مصنوعی قابل‌اعتماد، قابل‌تفسیر و قابل‌ارزیابی بالینی برای پشتیبانی از تشخیص بیماری آلزایمر بردارد.

کلمات کلیدی : بیماری آلزایمر تصویربرداری تشدید مغناطیسی (mri) یادگیری عمیق هوش مصنوعی توضیح‌پذیر مدل های مبتنی بر ترنسفورمر